работа. Лабораторная работа 1 (1). Построение моделей идентификации
Скачать 0.82 Mb.
|
Лабораторная работа 1 Тема: «Построение моделей идентификации» 1.1. Задание: Методами регрессионного анализа построить модель идентификации второго порядка . Провести статистический анализ модели. Проверить целесообразность включения в модель члена третьего порядка, т.е. перехода к модели . Для получения выборки «экспериментальных» данных необходимо осуществить математический эксперимент с уравнением , (1.1) в котором величина x измеряется точно, а с ошибкой , имеющей нормальное распределение с нулевым математическим ожиданием и единичной дисперсией Коэффициенты уравнения (1.1) и значение d выбираются в соответствии с вариантом задания из табл.1.1. Математический эксперимент проводится по следующей схеме: с помощью датчика равномерно распределенных на отрезке [0, 1] случайных чисел определяется случайное число величина x определяется нормированием случайного числа на интервал [0, d] c помощью датчика нормально распределенных [0, 1] случайных чисел определяется случайное число , представляющее собой «ошибку» эксперимента «экспериментальная» величина определяется по (1.1) как сумма регулярной и случайной составляющих. Результатом математического эксперимента является выборка 10 случайных пар . Таблица 1.1 Исходные данные для проведения математического эксперимента
1.2. Теоретические сведения 1.2.1. Выбор формы идентификации и регрессионный анализ Математически задача идентификации формулируется следующим образом. Имеется n пар экспериментальных точек . Требуется построить зависимость (модель) , (1.2) которая описывает характеристики изучаемой системы. Уравнение (1.2) называется уравнением регрессии. Построение модели идентификации начинается с выбора формы модели, т.е. вида зависимости (1.2). При этом на практике могут встретится два случая. Форма математической модели известна заранее. В этом случае задача идентификации сводится к определению коэффициентов этой модели. Форма математической модели заранее неизвестна. В этом случае целесообразно использовать для построения модели общее разложение функции в ряд Тейлора. В данной лабораторной работе при идентификации ставится задача нахождение приближенной модели в виде полинома степени p . Согласно методу наименьших квадратов, искомый вектор находится из решения нормального уравнения , где Таким образом, для определения коэффициентов уравнения регрессии необходимо произвести следующие операции: составить матрицу независимых переменных Вандермонда и матрицу-столбец результатов , здесь m число коэффициентов регрессии(m=p+1). найти транспонированную матрицу переменных и произвести перемножение матриц ; найти обратную матрицу и умножить ее на матрицу , т.е. получить искомую матрицу-столбец . 1.2.2. Статистический анализ модели После вычисления коэффициентов регрессии необходимо провести статистический анализ полученной модели. Для этого необходимо вычислить следующие характеристики регрессионной зависимости: величину остаточной суммы квадратов отклонений фактических значений от ее теоретических значений и число степеней свободы модели ; средние квадраты остаточных сумм критерий Фишера здесь - дисперсия, характеризующая ошибку эксперимента. F – отношение характеризуется двумя последовательно записанными значениями степеней свободы числителя и знаменателя. При этом, так как точность статистических оценок возрастает с ростом числа степеней свободы, то число степеней свободы точной величины принимается равным . Полученную величину F – отношения сравнивают с критическим (пороговым) значение критерия Фишера при соответствующих числах степеней свободы и заданном уровне значимости . При - модель принимается. Если расхождение результатов моделирования и экспериментальных данных значимо и, следовательно, модель должна быть отвергнута как недостаточно точная. оценку связи коэффициентов регрессии между собой . Эта оценка проводится по ковариационной матрице . Диагональные элементы матрицы определяют дисперсии коэффициентов регрессии, а недиагональные – взаимосвязь этих коэффициентов. Коэффициент корреляции может изменяться в пределах . Для сравнения моделей необходимо: рассчитать дополнительную сумму квадратов , где - остаточная сумма квадратов первой и второй модели соответственно; определить число степеней свободы дополнительной суммы квадратов ; посчитать средний квадрат дополнительной суммы ; определить роль дополнительной информации с помощью критерия Фишера . Если полученное значение критерия Фишера значимо , то дополнительная информация, заложенная в модель 2 существенна, и модель 2 действительно отличается от модели 1. В противном случае уточнения, вносимые моделью 2, неразличимы на фоне шума; с точки зрения модели равноценны и предпочтение должно быть отдано более простой модели 1. 1.3. Пример построения модели идентификации Для получения выборки «экспериментальных» данных осуществим математический эксперимент с уравнением (1.3) по следующей схеме: с помощью датчика равномерно распределенных на отрезке [0, 1] случайных чисел определяется случайное число величина x определяется нормированием случайного числа на интервал [0, 6] c помощью датчика нормально распределенных [0, 1] случайных чисел определяется случайное число , представляющее собой «ошибку» эксперимента «наблюдаемая» величина определяется по (1.3) как сумма регулярной и случайной составляющих. Результаты математического эксперимента (выборка 10 случайных пар ), представлены в виде точек на рис.1.1 (ряд 3). Построим модель идентификации . Согласно методу наименьших квадратов, искомый вектор коэффициентов находится из решения нормального уравнения . (1.4) Найдем составляющие уравнения (1.4) Таким образом, получена зависимость на рис.1.1- ряд 2. Из рисунка видно, что полученная модель качественно правильно воспроизводит исходное описание. Статистические характеристики модели имеют следующие значения: остаточная сумма квадратов ; число степеней свободы остаточной суммы квадратов средние квадраты остаточных сумм ; критерий Фишера По таблицам распределения критерия Фишера , при 5%-м уровне значимости находим критическое значение . Так как полученное значение F меньше критического, гипотеза об адекватности модели реальному процессу принимается. Определим связи коэффициентов регрессии между собой ; Таким образом, коэффициенты регрессии достаточно сильно связаны между собой. Поскольку форма модели заранее неизвестна, целесообразно рассмотреть возможность использования кубической модели . В результате расчетов найдены коэффициенты такой модели (1.5) на рис.1.1 – ряд 1. Для проверки целесообразности включения в модель члена третьей степени вычисляется остаточная сумма квадратов для уравнения (1.5), дополнительная сумма квадратов, средний квадрат и величина Фишера: По таблицам распределения (прил. 1) определяем критическое значение Фишера В связи с тем, что полученное из расчета значение критерия Фишера меньше критического, можно считать, что член третьего порядка не добавляет существенной информации и, следовательно, нецелесообразен. Лабораторная работа № 2 |